طراحی و پیاده سازی الگوریتم تعاملی به منظور بخش بندی گلیومای مغزی در تصاویر MRI با استفاده از روش های یادگیری عمیق
گلیوما یکی از تهاجمی ترین و رایج ترین انواع تومورهای مغزی است که بخش بندی آن در تصاویر MRI در برنامه های کاربردی مانند برنامه ریزی جراحی، ارزیابی پس از جراحی اهمیت بسزایی دارد.
تصاویر مغز معمولاً ساختارهای پیچیده ای دارند و بخش بندی دقیق آنها در تشخیص بالینی امری ضروری و درعین حال دشوار می باشد. اخیرا تکنیک های یادگیری عمیق به عنوان روش های تماما خودکار، در حوزه بخش بندی گلیوما بسیار پیشرفت کرده اند با این حال نتایج بخش بندی خودکار در مواردی نیاز به اصلاح پزشک دارند. در این پژوهش با هدف بالا بردن دقت بخش بندی و به دنبال آن، به حداقل رساندن میزان تعامل مورد نیاز کاربر، بخش بندی با بهینه سازی شبکه عصبی عمیق کپسولی برای بخش بندی تصاویر گلیوما از پایگاه داده پیچیده BraTS2020 انجام شد سپس نواحی که از دید کاربر نیاز به اصلاح دارند با رسم خطوط دلخواه بر روی تصویر مشخص می شوند. یک میدان تصادفی شرطی با استفاده از اطلاعات ارائه شده توسط کاربر و تصویر اصلی، بخش بندی اولیه را در فضای گراف بهینه می کند و بخش بندی های زمخت و غیردقیق را به بخش هایی با مرزهای کاملا مشخص و باکیفیت بالا تبدیل می کند.
ارسال نظر